虽然这些进步尚未完全取代驾驶员座位中的人，但这样做可以挽救生命。根据国家公路交通安全管理局的最新数字，美国近36,000人在2018年的交通事故中死亡 - 超过90％的人为错误造成的事故。在过去的十年中，行人死亡人数已在35％上升，每年达到6,000多个。车辆感知技术可以“看到”其周围的环境优于人类，并更快地反应可能会显着减少伤害和死亡。
虽然有一致认为，感知技术将超越人类的人类能力，从而达到驾驶环境，这就是协议结束的地方。汽车行业尚未达成一项技术的共识，这些技术将导致我们进入无人驾驶汽车时代。实际上，解决方案可能需要多个。以下是三家技术公司推进车辆感知，以迎来迎来完全自主的自动驾驶汽车的未来。
“我们专注于长期和高分辨率，这是汽车雷达中最严重的问题。”
Abdullah Zaidi，工程师，Metawave主任
Beamsteering雷达
自20世纪初以来，雷达已被用来帮助船舶和飞机导航。它能够在复杂条件下检测和识别目标并提供准确的速度信息使其成为自主驾驶的理想选择。
加利福尼亚州的工程师metawave.正在推动雷达的限制，以识别其他汽车，行人，静止的周围环境，道路危险，以及所有天气条件和夜间黑暗的危险。它的模拟雷达平台称为Spektra™，形成一个窄光束，使其瞄准它以在毫秒内检测和分类对象。Metawave工程总监Abdullah Zaidi表示，他们的技术是汽车领域中最高分辨率的模拟雷达。它可以看到行人250米，距离汽车330米的车程。
它还可以准确地测量两个物体之间的小距离，称为角度分辨率，这使得雷达能够将一个对象与另一个物体区分开来。“这不是当前雷达可以做的事情，”Zaidi说。
Metawave利用机器学习和AI构建模拟分子雷达系统。图片信用：Metawave Corp.
Spektra扫描环境的方式也不同。与捕获所有信息的传统数字雷达系统不同，类似于强大的Flashbulb照明场景，Metawave的雷达更像是一次性的激光束，一次能够看到一个特定的空间部分。光束迅速扫描环境，检测和分类车辆在毫秒内的所有对象。Metawave的方法增加了范围和准确性，同时减少了干扰和杂乱的概率，所有这些都具有很少的计算开销。“我们专注于远程和高分辨率，这是今天在汽车雷达中解决的最难的问题，”Zaidi说。
Metawave工程师使用MATLAB®测试Spektra雷达的范围和分辨率，并创建处理雷达输出的底层算法。该技术为汽车提供自动驾驶功能，如左转辅助，盲点监控，自动应急制动，自适应巡航控制和车道辅助。
聪明的潮流乐
一些第一个自驾车是由美国国防高级研究项目局（DARPA）赞助的竞争的一部分，使用基于激光的系统来“见”环境。光检测和测距（LIDAR）感测系统每秒散发数千个脉冲，并反射围绕物体并反射回车辆。在那里，计算机使用称为体素的每个数据点来重建环境的三维图像，并最终控制汽车的移动方式。
IDAR在航空航天和国防行业找到了强大的传感能力到汽车市场。图片信用：AEYE，Inc。
恒星昂贵，每辆车超过70,000美元。并单独使用它有其局限性。恶劣天气干扰了该信号，因此它通常与其他传感技术相结合，例如摄像机，雷达或超声波。但是，可以产生一个压倒性的冗余和无关的信息，即中央计算机必须解析，Barry Behnken，Cofounder和高级副总裁Aeye.，位于加利福尼亚都柏林。
“我们的终极目标是制定一个比人类更好或更好的感知系统。”
Barry Behnken，Cofounder和Aeye高级副总裁
使用高分辨率摄像机将其融合，工程师通过融合了先进的LIDAR功能。他们的系统称为IDAR，用于智能检测和测距，创建了一种新型数据点，该数据点与LIDAR的3D体素合并来自数码相机的高分辨率像素。他们称这些点是动态的vixels。因为激光脉冲和摄像机通过相同的光圈收集光学信息，所以数据流被集成并且可以同时分析，这节省了时间和处理能力。
与传统的LIDAR系统不同，它扫描整个环境中平均扫描场景，IDAR调整其光脉冲模式，以使场景的关键区域更加关注。通过Aeye的计算机视觉算法确定脉冲的位置。他们首先分析相机数据以搜索并检测对象的边缘，然后立即与更高分辨率的LIDAR扫描进行分类，跟踪和预测这些对象的运动。工程师使用MATLAB确保算法正在使用最佳，最有效的光脉冲模式扫描场景。
“我们正在尝试在传感器方面做出尽可能多的感知，以减少车辆中央计算侧的负荷，”Behnken说。他说，捕获更好的信息更快地导致更准确的感知，同时使用比传统解决方案更少的激光功率。金宝搏官方网站“我们的终极目标是制定一个像人类一样好或更好的感知系统，”他说。
通过选择性地分配额外的延期郎IDAR中的对象周围的镜头可以对这些对象进行分类并计算方向和速度。图片信用：AEYE，Inc。
热浪
LIDAR，雷达和摄像机技术的进步将有助于将自动驾驶技术转移到未来。但没有传感器可以单独完成工作。“他们都有他们的优势，他们都有他们的弱点，”副总裁兼首席技术官Gene Petilli说猫头鹰自治成像，总部设在纽约罗马波特。
Petilli说，传统的激光乐队非常准确，但雪，雨和雾减少了从无生命物体中讲述动画的能力。另一方面，传统的雷达可以通过雪，距离距离优异，并且可以判断对象的相对速度，但它独自不能区分这些物体的内容。相机可以分类以及读取红绿灯和街道标志，但眩光会扰乱质量，晚上，他们只能看到大灯照亮的内容。
“诀窍是选择一套没有同样弱点的传感器套件，”佩蒂利说。
OWL AI的团队填补了3D热成像的差距，这意味着人员和动物发给的热签名，大大简化了对象分类。该公司的传感器称为Thermal Ranging™是一种被动系统 - 意味着它不必发出能量或光线并等到它反弹 - 这可以拿起活物的红外线。它看到了物体，无论是在白天或夜晚都在移动或静止，在任何天气条件下，可达400米，可以计算目标3D范围和速度高达100米的速度。
该装置由主要透镜制成，类似于常规相机中的发现，以及位于主透镜和检测器之间的非常小的镜片阵列。该阵列将场景分成了图像的马赛克，每一个看感兴趣的对象不同的角度。算法测量图像之间的微妙差异来计算对象的距离。
Petilli说该公司正在使用Matlab来完善系统。因为他们试图测量微透镜阵列中的元素之间的非常小的差异，所以镜头中的任何失真都可以在范围计算中产生错误。因此，它们在Matlab中模拟了整个系统，以完善校正镜头失真的算法。它们还运行驾驶模拟以培训创建3D热图像的深神经网络AI算法。深度学习将用于评估神经网络算法以将图像的马赛克转换为3D地图。
“公众不会被公众接受自动车辆，直到它们比人类司机更安全，”Petilli说。
加强安全
车辆感知技术是提供安全自动驾驶体验的关键。为了提供完全自主，自动驾驶汽车的承诺，科技公司正在使用AI和计算机愿景来帮助车辆看到和感知他们的环境。虽然尚可完全自主汽车不是常态，但这些公司正在为我们越来越近，同时提高新车的安全系统。
